R 中的多元回归与模型中的矩阵列
Multiple regression in R with matrix columns in model
假设我有一个 m x n 数据矩阵 M，其中第一列是我的二进制响应变量，其余列是预测变量。
我使用
创建了一个多元逻辑回归模型
my.model = glm(M[,1] ~ M[,2] + M[,3] + ... M[,n], family=binomial("logit"))
我的问题是如何在不必写出 M[2]+ ... + M[n] 项的情况下执行此操作，例如类似于：
my.model = glm(M[,1] ~M[2:n], family = binomial("logit"))
（我知道后者行不通，但我正在寻找可以使用矩阵的 list/block 做类似事情的东西）。
你为什么不这样做：
glm(M[,1] ~., family = binomial("logit))
这将调用所有列，或者如果您需要特定列，请事先将其从数据框中过滤掉。
假设我有一个 m x n 数据矩阵 M，其中第一列是我的二进制响应变量，其余列是预测变量。
我使用
创建了一个多元逻辑回归模型my.model = glm(M[,1] ~ M[,2] + M[,3] + ... M[,n], family=binomial("logit"))
我的问题是如何在不必写出 M[2]+ ... + M[n] 项的情况下执行此操作，例如类似于：
my.model = glm(M[,1] ~M[2:n], family = binomial("logit"))
（我知道后者行不通，但我正在寻找可以使用矩阵的 list/block 做类似事情的东西）。
你为什么不这样做：
glm(M[,1] ~., family = binomial("logit))
这将调用所有列，或者如果您需要特定列，请事先将其从数据框中过滤掉。